【内蒙古GDP探析预测的实证探析9400字（论文）】

内蒙古GDP分析预测的实证分析目录TOC\o"1-3"\h\u24593一、介绍经济发展背景 213576（一）研究背景 227964（二）概念阐述 321895二、相关数据和分析方法介绍 41884（一）预测方式 46506（二）文献综述 430088（三）模型简介 520360三、建立模型，分析、检验、预测 518155（一）建模思路 580071.模型选取 6119282.ARIMA模型简介及建模思路 631658（二）模型检验方法 858421平稳化检验 892002模型的识别 8286103对模型的未知参数进行估计 8179164利用拟合模型预测时间序列的未来值 87345（三）对影响因素进行预测 8146171数据处理 9154232确定自相关阶数和平均移动阶数 10153273诊断和检验 12110614利用模型预测未来GdP。 1313892四、结论 1324276（一）结论 1318712（二）建议 1423265参考文献 1632381致谢 19

一、介绍经济发展背景（一）研究背景进入21世纪后，内蒙古经济保持快速增长，自2000年以来内蒙古经济连续八年全国增速第一，平均经济增速17.4%，经济总量明显增加，2014年地区生产总值约1.6万亿元，是2001年的10多倍，城镇居民人均可支配收入从2000年的5129元增加收到20408元，农牧民人均可支配收入由2038元增加到6642元。高速的发展势头持续到2013年，内蒙古结束了连续八年经济增速全国第一的格局，2015年前三季度经济增速降至全国第21位、西部倒数第一位。面对经济新常态，亟待研究内蒙古经济高速增长的原因与现阶段面临的问题，才能使内蒙古经济形成良好稳定可持续的发展态势。结合近年来统计部门对外发布的数据，可知近年来内蒙古各盟市人均GDP增长速度较快，并且和全国各个地区相比，无论是人均GDP数值还是GDP增长速度，均位列前茅。从这些统计数据可以看出近年来自治区各盟市经济发展势头良好，增长迅速，但数据仍反映出，虽然内蒙古各盟市人均GDP在全国位列前茅，但人均可支配收入占人均GDP比例依然较低。首先要明确人均GDP和人均可支配收入两个概念。人均GDP是与生产有关的概念，人均可支配收入是一个和收入有关的概念，两者是完全不同的，是两种不同的统计方法。人均GDP指一国经济在核算期内最终产品总量除以所有常住单位人口、得到的数量，而人均可支配收入是指居民在支付个人所得税、财产税及等其它经常性转移支出后所余下的实际收入。人均GDP不仅事实上要远大于人均收入，而且人均GDP仅仅能反映经济增长数量情况，并不能反映成本、效益、结构、分配、以及生态环境等情况。但总体而言，一个地区的人均GDP数值较高，相对的人均可支配收入也高，而地区的人均GDP相同，人均可支配收入可能会有非常大的差距。（二）概念阐述将GDP分为四个部分。第一部分是劳动者报酬，即全体劳动者全部税前收入，其中包括工资、社保、其他福利、个人所得税。第二部分是生产税净额，是政府在生产过程中收取的以增值税为主的税收。第三部分是固定资产计提折旧，是指在生产过程中所消耗的资本。第四部分是营业盈余，主要是包括企业所得税在内的企业税前利润。人均收入占人均GDP的比例有一个大致范围。这个比例在市场经济的一般是40%至50%，而并非能达到100%水平。该比例在经济发展水平高的发达国家较高，而经济发展水平低的发展中国家相对较低一些。数据显示2013年我国人均可支配收入占人均GDP的比例为41%，这个数字低于美国等发达国家，但也基本符合发展中国家平均水平。此外，还应明确一点的是，人均收入与等人均在岗工资也并不能划等号，在岗工资数额要显著高于人均收入，这是因为在一个国家中并非每个人都是劳动者，西方国家很多家庭夫妻双方只有一个人在上班，此外，还包括老年人，待业失业人群及未成年人群体。这说明了一个国家产生的财富，并不能100%转化为国民收入，还要有相当的比例用于再生产、科技研发、基础设施建设、军事开支等。二、相关数据和分析方法介绍（一）预测方式国民生产总值(GDP)往往受到许多因素的制约，且这些因素之间又保持着错综复杂的联系，因此，运用结构性的因果模型分析和预测往往比较困难。本文从另一角度出发，认为国民生产总值是一时间序列，因此可以根据过去的资料得出其变化规律，并用此来预测未来的发展变化。1970年，Box和Jenkins提出了以随机理论为基础的时间序列分析方法，其基本模型有三种：自回归(AR)模型、移动平均(MA)模型以及自回归求积移动平均((ARIMA)模型。自回归((AR)模型和移动平均(MA)模型实际上是自回归求积移动平均((ARIMA)模型的特例。与传统法(指数平滑法、滑动平均法、趋势预测法、趋势季节模型预测法、时间序列的分解等等)相比，ARIMA法更能准确预测内蒙古GDP的发展趋势，使所建模型既满足实际的要求，也满足统计方法理论的要求。这是因为：ARIMA方法假定数据序列是由某个随机过程产生的，它把事物在某一固定时刻的状态视为一个随机过程，利用随机过程去分析描述事物的发展趋势；这种方法不仅考察预测变量的过去值与当前值，同时模型对过去值拟合产生的误差也作为重要因素进人模型，有利于提高模型的精确度；将预测对象随时间推移而形成的数据序列视为一个随机序列，构成该时序的单个序列值虽然具有不确定性，但整个序列的变化却有一定的规律性，可以用相应的数学模型近似描述；该方法对数据序列短期波动把握的概率度较高。因此，ARIMA模型在预测过程中既考虑了现象在时间序列上的依存性，又考虑了随机波动的干扰性，对短期趋势的预测准确率较高，是近年应用比较广泛的方法之一。（二）文献综述近几年，GDP的变化规律及预测己被众多学者从很多不同的角度分析论证过。赵蕾等利用Evicws软件对福建省1978}-200年的UDP进行了分析，并建立ARIMA(5,3,6)模型，预测出与实际结果较为接近的2005年福建省UDP。梁鑫等利用SPSS软件，在AlC准则下建立了ARIMA(l,2,l)模型，并利用非参数方法对模型进行了适应性检验，最后对)‘一西的UDP进行了分析和预测。赵盈依据195通}-2001年我国UDP的数据资料，选取Iiox-Jcnkin、方法建立了ARI-MA(l,l,l)模型，在揭示我国UDP变动规律的基础上，对回归结果进行了深入的分析。田成诗等利用辽宁省1992-200年的相关数据，分别建立了自回归模型、动态!og}snc曲线模型和灰色预测模型，将这3种预测结果的几何平均作为辽宁省2005-2012年的UDP的预测值。李占江等以1952}-2005年内蒙占UDP数据为依据，应用SAS统计分析软件建立了ARIMA(0,2,1)模型，并对2008年的内蒙占UDP作出预测。然而利用STIA'A软件对UDP进行实证分析进而预测其发展规律的研究并不多。（三）模型简介ARIMA（p，d，q）模型又称为求和自回归移动平均模型。其中AR是自回归，P为模型的自回归阶数；MA是移动平均，q为模型的移动平均阶数；；I是求和法，指数列d次差分的总和，d为模型的差分阶数。ARIMA模型可表示为当模型为非季节的简单差分时当模型为季节有差分时其中，B为后移算子，Yt为样本值，并为平均值，μ为移动平均算子，Θ为自回归算子，a}为白噪声序列。如不考虑周期性，模型标记为：ARIMA印，d，q)oP，d，p分别是自回归的阶、差分次数、滑动平均的阶；如考虑周期性，模型标记为：ARIMA(P，d，q)(P，D，Q)oP，D，Q分别是季节周期的自回归的阶、差分次数、滑动平均的阶，S是循环的长度。三、建立模型，分析、检验、预测（一）建模思路从经济学角度来看，影响GdP的因素包括能源、人口、政策、经济基础等等。因此，运用数理经济模型来对其进行分析和预测是较为困难的。故本文从动态分析的角度，将内蒙古国内生产总值看作是一个时间序列，进而利用它的历史数据分析得出其规律性，最终对未来五年的内蒙古GdP进行分析预测。1.模型选取目前，预测经济运行时间序列的理论与方法很多，比较经典的有灰色理论、趋势预测法、时间序列的分解、指数平滑法等，这些方法对经济形势的长期预测较准，而对短期趋势的把握度并不高。与这些方法相比，Bｏｘ和ＪｅnKInS提出的ARIMA（P，d，q）模型更适合预测内蒙古国内生产总值的发展趋势。ARIMA模型是通过分析时间序列的历史数据来揭示变量自身的变化规律，并用这种规律来预测未来的发展状况，忽略以经济理论为依据的解释变量的作用。2.ARIMA模型简介及建模思路在介绍ARIMA模型前，首先对ARMA模型进行了解。时间序列分析是一种广泛应用的数据分析方法，它主要用于描述和探索现象随时间发展变化的数量规律性。时间序列分析就其发展的历史阶段和所使用的统计分析方法来看，有传统的时间序列分析和现代时间序列分析。时间序列分析的一项重要内容就是根据过去已有的数据来预测未来的结果。预测是人们在观察和分析客观事物发展过程的历史及现状的基础上，通过对客观事物发展规律的认识，进而推断其未来状况的过程。预测从统计方法上分类，大致可分为三类：定性预测法、回归预测法和时间序列预测法。定性预测法是以逻辑判断为主的预测方法。这一类方法主要是通过预测者所掌握的信息和情报，并结合各种因素对事物的发展前景做出判断，并把这种判断定量化。它普遍适应于对缺乏历史统计资料的事件进行预测，或对趋势转折进行预测。回归预测法是研究变量与变量之间相互关系的一种数理统计方法。应用回归预测可以从一个或几个自变量的值去预测因变量将取得的值，回归预测中因变量和自变量在时间上是并进关系，即因变量的预测值要由并进的自变量量的值来旁推。这类方法不仅考虑了时间因素，而且考虑了变量之间的因果关系。因果回归预测是从研究客观事物的因果关系入手，建立单一回归模型进行预测的方法。但有时，影响预测对象的因素错综复杂或有关影响因素的数据资料无法得到，因果回预测法就无能为力。这时，采用时间序列分析法，以时间t综合替代这些因素，却能达到预测的目的。时间序列预测法是依据预测对象过去的统计数据，找到其随时间变化的规律，建立时间序列模型，以外推未来数值的预测方法。与回归不同，它不使用除了序列自身以外的其它信息进行预测。其基本假定是：过去的变化趋势会延续到未来，即未来是过去的延伸，这样就可以根据过去已有的形态或模式进行预测。客观事物的发展是在时间上展开的，任一事物随时间的流逝，都可以得到一系列依赖于时间t的数据。设y1，y2，…，yt是一时间序列，其中t代表时间，单位可以是年、季、月、日或小时。根据这组数据在时间坐标上绘制的曲线图为时序曲线图，它可以形象地表现出事物随时间变化的状况。依赖于时间变化的变量yt称之为时间序列。若事物的发展过程具有某种确定的形式，随时间变化的规律可以用时间t的某种确定函数关系加以描述，这类时间序列称为确定型时间序列，以时间t为自变量建立的函数模型为确定型时间序列模型，这是传统时间序列分析的内容。若事物的发展过程是一个随机过程，无法用时间t的确定函数关系加以描述，称为随机型时间序列，建立的与随机过程相适应的模型为随机型时间序列模型，如博克斯-詹金斯模型，这就是现代时间序列分析的内容。ARMA（P，q）模型是将纯AR（P）与纯MA（q）结合得到的一个一般的自回归移动平均方程。其基本形式是：ut-C＋1ut-1＋…＋Puut-P＋εt＋θ1εt-1＋…＋θqεt-qt＝1，2，3，…，t其中，φ1，…，φP为回归系数，θ1，…，θq为移动平均系数，是模型的待估参数。ARIMA（P，d，q）模型，即差分自回归移动平均模型，是通过对不平稳的时间序列进行d阶差分后转化为平稳时间序列，然后建立ARMA（P，q）模型。设ut是d阶单整时间序列，即：ut～I（d），则：ωt＝Δdut＝（1-L）dutωt为评为时间序列，即ωt～I（0），于是可以对ωt建立ARMA（P，q）模型：Φ（L）＝C＋1ωt-1＋…＋Pωt-P＋εt＋θ1εt-1＋…＋θqεt-q上式表明如果一个序列是单整序列，那么该序列可以由其自身的滞后项及随机扰动项来解释。即如果该序列不随着时间的推移而变化，那么就可以通过该序列过去的行为来预测其未来。（二）模型检验方法1平稳化检验根据时间序列的折线图、自相关系数图，或者通过AdF单位根检验，来判断时间序列是否平稳。如果序列被验证为不平稳，那么可以通过差分变换或者对数差分变换使其满足平稳性条件，同时确定了差分阶数。2模型的识别根据ACF图和PACF图来确定自相关阶数P和移动平均阶数q，以选择适当的模型进行拟合。3对模型的未知参数进行估计并对估计结果进行检验和诊断。一是检验模型参数的估计值是否显著，其二是诊断残差序列是否为白噪声序列。若拟合模型通不过检验，则重新确定阶数P和q，重新选择模型进行拟合。4利用拟合模型预测时间序列的未来值根据观测数据建立的模型是否合适，应当检验残差序列是否为白噪声序列，当残差序列不是白噪声序列时，所建立的模型不是最终模型，还有信息包含在相关的残差序列中，模型其他参数不能完全代表，需要进一步拟合；当残差序列是白噪声序列时，则Box-Ljung的值的概率P值应>>0.05。因此，根据时间序列Y‘的模型，我们可以对其进行回归拟合，将拟合值和实际值之间的残差进行检验，得到残差的自相关图和偏相关图。因为时间序列GDP的实际值和拟合值总的来说比较接近，残差值较小。残差的自相关值和偏相关值基本上在置信区间内，与零无显著差异，残差通过白噪声检验，说明模型拟合适当。而且，模型的检验效果比较好，其中Akaike信息量准则统计量AIC=251.27，贝叶斯准则统计量SCB=257.16，标准误差S.E=38.61等，所以可以诊断该模型是可靠的。（三）对影响因素进行预测本文采用的样本数据为1952～2011年的内蒙古GdP年度数据，数据来源于2012年《内蒙古统计年鉴》，所以计算过程用StA-tA8.0统计软件完成。图1GDP的时间路径图及GDP取对数后的时间路径图1数据处理从GdP的时间路径图（图1）可以看出，内蒙古的GdP在过去58年中呈现出一种指数增长的趋势，因此是非平稳时间序列。对于呈指数增长的时间序列，通常可以对其取对数，将其转化为线性趋势。由取对数后的时间路径图（图1），可以看出有明显的线性趋势，为了确定其是否平稳，对数据进行单位根检验。结果显示，t统计量大于任何置信度的临界值，因此认为序列显著非平稳（表1）。所以再对其进行差分以消除线性趋势。经过逐次差分后，发现二阶差分后的序列基本达到平稳，如图3所示。并且序列通过了dF检验（表2），由此可以确定d＝2。表1单位根检验结果表2二阶差分后的DF检验结果2确定自相关阶数和平均移动阶数根据时间序列的识别规则，采用ACF图、PACF图、AIC准则以及BIC准则相结合的方式来确定ARMA模型的阶数。首先介绍如何根据ACF图和PACF图的性质来确定模型的阶数：若相关图即ACF图表现为拖尾衰减特征，而偏自相关图即PACF图在P期后出现截止特征，则该过程是一个P阶自回归过程；若相关图在q期后出现截止而偏相关图呈拖尾衰减特征，可以认为该过程是一个q阶移动平均过程；若自相关图和偏自相关图都呈拖尾衰减特征，说明这是一个混合形式的随机过程。由于通常滞后期应当小于n／4，本文的样本量为58，故滞后期选为15。下面我们先根据ACF图（图4）和PACF图（图5）初步确定模型形式。（1）如果把K＝1的偏自相关系数φ11看做峰值，然后呈截尾特征，把自相关图看做拖尾特征，则应建立AR（1）模型。（2）如果把K＝1的自相关系数φ1看做峰值，然后呈截尾特征，把偏自相关图看做拖尾特征，则应建立MA（1）模型。（3）如果把K＝1的自相关系数φ1和偏自相关系数φ11看做峰值，然后各呈拖尾特征，则应建立ARMA（1，1）模型。（4）如果把K＝1的自相关系数φ1和K＝3偏自相关系数φ11、φ22和φ33看做峰值，各位拖尾特征，则应建立ARMA（3，1）模型。（5）如果把K＝1的自相关系数φ1和K＝5偏自相关系数φ11、φ22、φ33、φ44、φ55看做峰值，然后各位拖尾特征，则应建立ARMA（5，1）模型。其次，AIC准则和BIC准则。AIC准则是由AKAIKｅ提出的，即赤池信息量准则；BIC准则，即贝叶斯准则。应当选取使AIC值和BIC值达到最小的那一组为理想阶数。本文分别按AR（1）、MA（1）、ARMA（1，1）、ARMA（3，1）和AR-MA（5，1）估计模型。结果见表3。表3模型AR（1）MA（1）ARMA（1，1）ARMA（3，1）ARMA（5，1）C-0.000123；（0.99）0.00288；（0.11）0.002875；（0.14）0.00291；（0.072）0.0028625；（0.12）AR（1）-0.508426；（0.00）———0.020012；（0.87）——————AR（3）—————————-0.1028；（0.519）———AR（5）————————————0.0558454；（0.7）MA（1）———-1（—）-1.0000；（0.998）-1（—）-1（—）AIC-56.52975-74.37345-70.39444-72.90829-72.50506BIC-50.4537-70.32275-62.29304-66.83223-66.429从上表可以看出，模型AR（1）的AIC和BIC值较其他模型是最大的，可以予以剔除。而除了该模型外，其他模型的各项指标似乎并没有多大差距。为了准确定阶，需要利用备选模型预测近几年已有数据，比较几种模型的相对误差，将相对误差最小的作为最优模型。模型MA（1）、ARMA（1，1）、ARMA（3，1）和ARMA（5，1）对2009～2011年的预测如表4所示：表4年份200920102011实际GdP6019.127761.89740.25MA（1）估计值4840.04646084.04497747.6345ARMA（1，1）估计值5302.45056860.63748634.9499ARMA（3，1）估计值4344.47715583.43186911.2209ARMA（5，1）估计值3701.04694719.79935918.0423MA（1）预测误差0.1958880370.216155414980.2045753959ARMA（1，1）预测误差0.11906549460.116102270090.1134775904ARMA（3，1）预测误差0.27822055380.280652451750.2904472781ARMA（5，1）预测误差0.38511827310.391919490320.3924137163可以看出，ARMA（1，1）的预测误差是四个模型中最小的，自然最优模型为ARMA（1，1）。实际序列｛Δ2LnGdP｝的ARIMA（1，2，1）回归结果为：回归方程为：Δ2Lnyt＝0.0028751＋0.0200122（Δ2Lnyt-1-0.0028751）＋εt-1.000015εt-1需要注意的是，根据伍尔德分解定理，StAtA的输出格式表示的是，对序列｛Δ2Lnyt-0.0028751｝建立的模型，而不是对Δ2Lnyt建立的。经过整理，上式表示为：Δ2Lnyt＝0.0028751（1-0.0200122）＋0.0200122Δ2Lnyt-1＋εt-1.000015εt-1即：Δ2Lnyt＝0.00281756＋0.0200122Δ2Lnyt-1＋εt-1.000015εt-13诊断和检验对模型ARIMA（1，2，1）的残差序列进行白噪声检验。如未通过检验，需要重新确定自相关及偏自相关系数。本文用的方法是残差序列的χ2检验。Ｈ0：残差序列相互独立，即：ρ1＝ρ2＝…＝ρK＝0若拟合的模型合理，即误差项为白噪声，统计量渐进服从χ2（K-P-q）分布，式中，t为样本容量，RK为用残差序列计算的自相关系数值，K为自相关系数的个数，P为模型自回归部分的最大滞后期，q为移动平均部分的最大滞后期。给定置信度1-α（α通常取0.05或0.10）：若用样本计算的qχ2α（K-P-q），则接受Ｈ0，残差序列相互独立，通过检验。若q＞χ2α（K-P-q），则拒绝Ｈ0，无法通过检验。模型ARIMA（1，2，1）的q（15）为11.808，χ20.05＝22.362，χ20.1＝19.812，可以得出，模型的残差序列为白噪声序列，通过检验。4利用模型预测未来GdP。利用ARIMA（1，2，1）模型对内蒙古自治区2012～2016年国内生产总值进行预测。StAtA给出2012～2016年内蒙古GdP的预测值分别为：10805.876亿元，10780.675亿元，10755.581亿元，10730.595亿元，10705.716亿元。四、结论（一）结论2008—2012年是内蒙古第十一个五年规划的重要时期。在这个时期里，内蒙古全区经济将呈现什么样的运行状况，宏观经济几个主要指标将会出现何种变化，能否承接“十五”期间社会经济发展的大好形势，保持快增长、长周期的态势，这是在制定和执行“十三五”规划中必须面对的问题。本文利用组合ARMA时间序列模型，对内蒙古2008—2012年GDP进行预测，希望得出的数据及结论能够帮助我们认清“十三五”期间经济运行走势，从中把握“十三五”期间经济进程中的变动趋势，更好地规避风险并寻求最佳的调控办法。本文通过模型识别、估计、诊断等一系列过程，对内蒙古的国民生产总值进行了ARIMA模型拟合与预测。从图6可以看出GdP的预测值与实际值是比较接近的，这说明我们所建立的模型效果比较好，是可以用来预测的。从预测结果来看，内蒙古的GdP在2012年将有一个较高的增长，2013年起有小幅度的回落。由于该模型得出的结果只是一个预测值，而国民经济是一个复杂多变的动态系统，国内生产总值受众多因素的影响。因此，我们还是应当注意规避经济运行中的风险，保持国民经济健康稳步发展。（二）建议通过内蒙古生产总值的支出构成和生产构成两方面分析，内蒙古前十几年经济的增长主要是依赖于投资需求和工业带动，但是随着新时期的新要求，原先的经济发展模式已经不再适应现代的需求，由此出现经济增速放缓甚至下滑的现象。面对产业发展不协调，内蒙古经济产业“一煤独大”的格局，内蒙古产业发展应重点推进“五大基地”建设，大力发展战略新型产业、加快发展文化旅游业，从而促进产业结构的优化与升级，逐步做强内蒙古现代服务业。工业发展逐步走向现代化和清洁化。①煤炭产业就地转化和深加工方面，以煤焦化、煤质清洁燃料和化工原料等技术路径，加强“水煤组合”的煤化工项目，推进煤炭洁净利用和深加工，构建现代煤化工体系；②有色、装备、制造、冶金等产业链条的延伸与升级，大力推进采、选、冶、加一体化建设，通过高新技术改造力度促进有色产业高端化、产品终端化。在加快服务业发展方面，依托丰富的资源优势和民族文化，着力打造内蒙古草原旅游、森林旅游、沙漠旅游、文化之旅等经典路线，促进旅游产品的多样化和特色化。通过打造一批大型物流园区和内陆港，推动物流产业的发展。围绕消费热点，加快发展养老、文化、休闲、健身等服务业发展。针对投资与消费对地区经济发展的不同作用，在经济新常态的新形势下，内蒙古应逐步稳定投资拓宽消费。首先应提升居民的消费能力，制定出台内蒙古收入分配改革方案，完善最低工资、工资形成和增长的长效机制，健全社会保障体系，整合城乡居民基本养老和基本医疗保险制度，借此提升城乡居民的收入水平；其次要培育消费热点，大力发展节假日消费、信息消费、旅游休闲消费、文化体育娱乐消费、教育消费、健康消费、绿色消费等消费热点，加快以发展电子商务、网络购物为主的新型服务业消费方式，培育养老服务业消费市场，引导养老消费，推广新能源汽车等环保节能产品，鼓励倡导绿色消费。再次要优化消费环境，完善城乡消费寄出设施和消费支撑体系建设，加快交通、供水、垃圾处理、无线宽带、商业网点、医院、养老院等公共基础设施建设，完善信用体系、网上支付、物流配送等消费支撑体系。改善农村牧区的基础设施建设，加强城乡市场流通体系建设，促进产销直接对接，有效启动农村牧区消费。参考文献[1].人均GDP一万美元:内蒙古经济社会发展的历史性转折点[J].北方经济,2013,01:24.[2]那艳茹,包思勤,朱晓俊,李文杰,黄占兵,宝鲁,赵杰,冯玉龙,赵云平,司咏梅,张永军,商显刚,毕力格,哈斯,高鸿雁,张志栋.内蒙古2010年经济社会发展综合评价——《人均GDP一万美元的内蒙古》报告之四[J].北方经济,2013,01:35-37.[3]苏敏.内蒙古第三产业对GDP贡献的实证分析[J].内蒙古煤炭经济,2013,04:6-7.[4]包思勤,那艳茹,朱晓俊,李文杰,黄占兵,宝鲁,赵杰,冯玉龙,赵云平,司咏梅,张永军,商显刚,毕力格,哈斯,高鸿雁.从国际比较看内蒙古区情——《人均GDP一万美元的内蒙古》系列报告之一[J].北方经济,2013,01:25-27.[5]那艳茹,包思勤,朱晓俊,李文杰,黄占兵,宝鲁,赵杰,冯玉龙,赵云平,司咏梅,张永军,商显刚